基于AMSR-E数据的微波植被指数与MODIS植被指数关系研究

陈思宇，于惠，冯琦胜，吕志邦，梁天刚

（草地农业生态系统国家重点实验室兰州大学草地农业科技学院，甘肃兰州730020）

基于AMSR-E数据的微波植被指数与MODIS植被指数关系研究

陈思宇，于惠，冯琦胜，吕志邦，梁天刚

（草地农业生态系统国家重点实验室兰州大学草地农业科技学院，甘肃兰州730020）

利用青南牧区2007-2010年的AMSR-E亮温数据计算了相应的微波植被指数（Microwave Vegetation Index，MVI），对MVI的月季动态变化特征进行了分析，同时结合相同时间序列的MODIS NDVI和EVI数据，对比分析了MVI和MODIS植被指数之间的相关关系，筛选出NDVI反演模型，并对模型的精度进行了评价。结果表明，MVI值随着植被的生长而降低；MVI与NDVI、EVI均有显著的线性负相关。其中，升轨低频MVI与NDVI的相关性最好，相关系数为0.58（P＜0.001）；MVI与MODIS植被指数之间的最优模型为NDVI=-0.85×MVI+0.84；利用最优模型将反演的NDVI与MODIS NDVI进行比较，两者差异较小，说明这一模型能较好地反映2种植被指数的关系。

微波植被指数；MODIS植被指数；相关性；反演模型

植被指数作为评价植被覆盖度、生长活力和生物量等植被信息的重要手段，已广泛应用于许多研究领域［1-3］。据统计，经过40多年的研究，在光学遥感领域已发展了40多种植被指数。但是光学遥感容易受到植被本身、环境条件和大气状况等多种因素的影响，在时间和空间上均具有一定的局限性。微波遥感不受太阳照射、大气、云层、降水等因素的限制，具有全天时和全天候工作的能力，对植被木质部生物量、植被类型以及土壤含水量等具有非常强的敏感性，可以探测到相对较厚的植被层，这是其他遥感手段所不能得到的［4-9］。因此，利用微波传感器不同频率的亮温数据，获取陆表植被参数信息，在弥补光学植被指数的缺陷方面具有重要的科学意义［10］。

尽管微波遥感相对于光学遥感存在诸多优势，但多年来在植被探测方面的研究应用较少［11］。Paloscia和Pampalonil［12］通过10GHz和36GHz水平以及垂直4个通道的亮温数据对农作物生长进行了监测，结果表明，微波植被指数（Microwave Vegetation Index，MVI）对植被类型以及植被覆盖下的土壤水分非常敏感，频率10GHz的微波极化指数（Microwave Polarization Index，MPI）与叶面积指数（Leaf Area Index，LAI）之间存在指数关系。比较分析MVI与NDVI在灌木、农田和草原3种土地覆盖类型下的相关关系，发现MVI能够更好地反映植物木质部生物量、结构、含水量以及鲜生物量等信息［13］。吕京国等［14］在全国范围内选取5种典型地表类型分析微波植被指数与NDVI的关系，结果表明，两者呈负相关关系，相关系数为-0.46。此外，Choudhury和Tucker［15-16］、Ulaby等［17］、Jackson和Schmugge［18］等，也在主动微波指数与植被监测方面做了一些相关研究。可以看出，目前对于微波植被指数的研究，主要集中在微波指数与光学指数的定性分析方面，而对于它们之间的关系以及关系的数学表达等方面的工作还较少。因此，为了更好地利用微波植被指数监测植被动态变化，需要对其进行更加深入的研究。

本研究在前人工作的基础上，以青南牧区为例，利用同一时间序列的MVI和MODIS植被指数数据，研究MVI与NDVI和EVI之间的相关性，构建NDVI反演模型，并对其精度进行综合评价，以期为更加科学有效地监测植被的动态变化提供科学依据。

1 数据与方法

1.1 研究区概况 青南牧区地处青藏高原腹地，位于31°38′～36°20′N，89°31′～102°14′E，是我国黄河、长江、澜沧江三大水系发源地。青南牧区土地总面积3.56×107hm2，约占青海省土地总面积的50.4%。平均海拔4 000m以上，年平均气温为-5.6～4.9℃，≥0℃的年积温一般不超过1 500℃·d，不少地区低于1 000℃·d，年降水量基本在391.7～764.0mm。草地是青南牧区土地资源的主体，现有天然草原面积2.10×107hm2，占青南牧区土地总面积的59%，其中可利用草地面积1.79×107hm2。草地类型主要有高寒草甸类和高寒干草原类，分别约占草地总面积的76%和23%［19-20］。

1.2 研究数据 主要包括2类遥感资料：1）高级微波扫描辐射计（Advanced Microwave Scanning Radiometer-Earth Observing System，AMSR-E）数据：AMSR-E是搭载在美国EOS-AQUA卫星上的圆锥扫描方式微波成像仪，由NASA（National Aeronautics and Space Administration，NASA）于2002年5月4日发射升空。AMSR-E传感器的工作频段有6个（6.9～89.0GHz），有水平和垂直2种极化模式，共12个通道。此外，每天根据过境时间的不同又有升轨和降轨2次数字图像。本研究使用6GHz、10GHz和18GHz水平与垂直极化的6个通道的亮温数据，覆盖范围为北半球，投影格式为北半球可扩展的等面积地球格网（EASE-Grid＿north），像元大小25km，时间序列为2007-2009年以及2010年4-10月的每日升轨和降轨数据，共有亮度温度图像16 440幅［21］。2）MODIS月最大合成植被指数产品（MOD13A3）：由对地观测系统数据共享平台（EOS Data Gateway，EDG）提供，空间分辨率1km。青南牧区每月包括两幅数字图像，编号分别为H25V05和H26V05，时间序列2007-2009年1-12月及2010年4-10月，共计36景EVI图像和43景NDVI图像。

1.3 AMSR-E和MODIS数据处理方法AMSR-E亮度温度数据（Tb，Brightness Temperature）和MOD13A3数据的处理流程如图1所示，具体步骤如下：1）AMSR-E Tb数据处理。首先，给解压的原文件加.BSQ扩展名，并且对每个BSQ文件建立相应的头文件；其次，在ArcGIS软件的ArcMap模块中将文件转换为GRID格式，并将投影定义为EASE-Grid＿north，利用ArcInfo工作站软件将投影转换为Albers Krasovsky，将格网大小重采样到25 000m；最后分别提取逐日升轨及降轨6个通道的亮温值。2）MOD13A3月植被指数产品处理。利用MODIS数据重投影工具（MODIS Reprojection Tools，MRT）将HDF文件转为TIF格式，在ArcMap中转换为GRID格式，使用Arc-Info工作站将投影转为Albers Krasovsky，重采样到1 000m。

1.4 微波植被指数算法 裸露地表情况下，不同频率辐射率之间呈很强的线性关系。根据这一特点，利用地表辐射模型，可推导出微波植被指数［11］。

图1 AMSR-E Tb数据和MOD13A3数据处理流程图Fig.1 Data processing for AMSR-E Tb and MOD13A3

式中，TBv（f2）、TBh（f2）分别表示频率f2的垂直和水平极化的亮温值，TBv（f1）、TBh（f1）分别表示频率f1的垂直和水平极化亮温值。f1、f2是亮温数据中的相邻频率（f2＞f1）。

根据式（1），选取6、10和18GHz水平和垂直极化6个通道的亮温数据，计算6和10GHz及10和18GHz 2组相邻频率梯度下的MVI值。此外，因每日有升轨和降轨2次数字图像。因此，本研究共计算升轨低频、升轨高频、降轨低频、降轨高频4种微波植被指数，分别用MVI（6，10）A、MVI（10，18）A、MVI（6，10）D、MVI（10，18）D来表示。

1.5 数据筛选方法 在无大气因素的影响下，除积雪覆盖的区域外高频微波信号通常强于低频微波信号，但射频干扰（Radio-Frequency Interference，RFI）导致了不规则的频率间梯度变化，这种不规则的梯度差通常导致MVI值异常。为了防止RFI信号和积雪对研究区域数据的影响，需要对部分受到射频干扰的微波数据进行筛选。本研究数据筛选的方法为：1）水平极化通道的微波亮温数据在受RFI干扰后，其值将大于垂直极化通道的微波亮温数据，据此剔除水平极化亮温值大于垂直极化亮温值的异常值；2）受到RFI的干扰后，高频和低频亮温数据间将呈负向梯度，为了避免这种干扰剔除高频和低频梯度差小于等于-5的异常值；3）由于射频干扰的影响，MVI值将会超出其正常范围，因此删除MVI值小于0及大于1的数据［22］。

研究区升轨和降轨MVI数据的原始样本数各有1 353 399个，按上述所列条件筛选后，升轨样本数为660 826个，降轨样本数为383 241个。由此可见，RFI对研究区被动微波数据有严重的影响。

1.6 月MVI数据的合成 对微波植被指数而言，当植被密度增加时，微波穿透植被层的能力减弱，MVI值减小。不同的植被类型，由于其枝干形状、叶片朝向等的不同，其MVI值也是不同的。同时，同一植被类型在物候循环中的不同阶段，其生命力特征及表现形式也不同。而NDVI与EVI值会随着地表植被密度的增加而增大［13］。

为了对植被指数进行比较分析，必须将植被指数数据在时间和空间尺度上进行匹配。本项研究采用最小值合成法将计算得到的每日MVI数据合成月MVI数据，具体方法如下：根据式（1）计算出每天的MVI，然后用最小值法将每天的MVI合成为月最小MVI数据。利用ArcGIS对MODIS月植被指数NDVI和EVI进行区域统计，分别计算出在25 km格网中NDVI和EVI的平均值。在此基础上，分析比较MODIS的2种植被指数同MVI之间的关系。

2 结果与讨论

2.1 MVI的月季变化特征 按照MVI的不同，曲线分为升轨低频、升轨高频、降轨低频和降轨高频4种。青南牧区2007-2009年月MVI平均值的动态曲线总体趋势相同，且变化平缓（图2）。

图2 微波植被指数（MVI）月动态变化图Fig.2 Dynamic of monthly MVI

随着牧草在4月开始返青，曲线逐渐呈下降趋势，在盛草时期（7-9月）植被生长达全年的最大值，相应的MVI曲线出现低谷，10月以后草地开始枯黄，牧草进入休眠期，MVI曲线开始上升（图2）。高频MVI值在全年内均小于低频MVI值，这是因为高频微波穿过植被层时，散射现象较低频微波的严重，从而到达传感器的能量较低频微波的弱。

2.2 微波植被指数和MODIS植被指数的相关分析 从研究区3年MVI与NDVI和EVI之间的散点图可以看出（图3），MVI与MODIS植被指数之间有明显的线性关系。统计分析的结果表明，MVI与MODIS植被指数均呈负相关关系（P＜0.001）。当NDVI和EVI较大时，MVI较小；相反，当NDVI和EVI很小（即植被状况很差或为裸地）时，MVI很大。无论升轨还是降轨数据计算的MVI，其低频微波植被指数分布相对集中，而高频指数较为分散。这说明低频微波植被指数与MODIS植被指数的相关关系优于高频微波植被指数。在升轨时期植被受水分因素的影响较小，这可能是升轨MVI优于降轨的主要原因。

图3 2007-2009年NDVI、EVI与MVI相关性散点图Fig.3 Correlation between NDVI，EVI，and MVI from 2007to 2009

MVI与NDVI和EVI的相关系数差别不大，在0.505～0.588波动（图3）。低频的MVI与MODIS植被指数的相关性优于高频的MVI，尤其是升轨的MVI，其低频优于高频的趋势更加明显。升轨低频的MVI与NDVI的相关关系最好，相关系数达0.588，而升轨高频的MVI与NDVI的相关关系最差，相关性系数为0.505，其余的相关系数介于二者之间。由于NDVI季节性变化较明显，主要反映植被表层的覆盖状况，而MVI可反映植被结构等方面的特征信息。因此，MVI随着植被生长周期性变化小，而NDVI随植被生长的周期性变化较大，从而导致两者的相关关系受到影响，造成相关系数偏低［13］。另外，AMSR-E数据空间分辨率为25km，远低于MODIS 1km的分辨率，这也是造成两者相关性较低的另一重要原因。

2.3 精度分析 利用青南牧区2010年4-10月的亮温数据计算低频升轨的MVI值，用低频升轨的MVI值和相应的统计模型（图3）反演出研究区NDVI值，并将反演的NDVI值与MODIS的NDVI值进行比较，验证模型精度。在4-10月中，6月的均方根误差（Root Mean Square Error，RMSE）最小，是实测值与预测值之间的离散程度最低的月份（表1）。实测NDVI的月最大值的波动范围较反演的NDVI值大。汇总7个月的实测值和预测值发现，4、5月实测的NDVI最大值和平均值均小于预测NDVI的最大值和平均值，7-10月的实测值最大值和平均值均大于预测值的最大值和平均值。总体来说，利用反演模型计算的NDVI值低于实际的NDVI值，均方根误差为0.158。青南牧区地形复杂，海拔梯度较大。9月，受地形的影响研究区内牧草长势不均一，在高海拔地区牧草已经进入枯黄期，而低海拔地区的牧草可能还处于生长旺季。NDVI对植物体内叶绿体变化敏感，因而NDVI值在整个研究区内的变化范围较大。MVI反演出的NDVI值相对稳定，变化趋势平缓。这可能是导致9月二者之间的离散程度达到最大的一个重要原因，均方根误差达0.235。从NDVI实测值和模拟值之间的关系散点图可以看出，NDVI的实测值与模拟值呈现较好的正相关关系（图4），其相关系数为0.653。

表1 MODIS NDVI实测值与预测值Table 1 Observed and pridicted value of MODIS NDVI

图4 MODIS NDVI数据值与预测值之间的关系Fig.4 Relationship between observed and predicted value of MODIS NDVI

利用研究区植被生长状况最好时期8月的MODIS NDVI影像及NDVI模拟图像，合成实测NDVI和模拟NDVI的差值图（图5）。研究区西部属东昆仑山地区，该区平均海拔较高，草地类型主要为山地草甸类和高寒草原类。这2类草地的共同特点是植被覆盖度较低，在此区域实测NDVI与预测NDVI的差值主要介于-0.20～0.00；在中部地区，海拔差异大，地形起伏剧烈，地表植被类型复杂且草地比较分散，二者间的差值参差不齐，主要集中在-0.20～0.00、0.00～0.20以及0.20～0.40，个别地区的差值在0.40～0.60；在东部地区，二者差值主要分布于0.00～0.20和0.20～0.40。东部地区海拔较低且草地类型均一，主要为高寒草甸类，此类草地的覆盖度为80%～90%，植被状况较好，其预测的NDVI值偏低。从NDVI实测值与预测值之间的差值频数分布状况（图6）可以看出，整个研究区实测NDVI和预测NDVI的差值主要分布在0.00～0.20以及0.20～0.40。总体来说，模型预测的NDVI值比较接近MODIS NDVI数据值。

图5 青南牧区实测与模拟NDVI差值图Fig.5 Differenc in observed and simulated value of NDVI in pastoral areas of southern Qinghai

图6 实测与模拟NDVI差值分布直方图Fig.6 Histogram of the difference in observed and estimated values of NDVI

3 结论与展望

本研究表明，微波植被指数与MODIS植被指数之间有较好的相关性，随着微波植被指数的减小，NDVI和EVI逐渐增大。低频MVI与NDVI、EVI的相关关系优于高频的MVI，高频微波在穿透植被层时散射现象比低频微波严重。利用2010年4-10月的MVI和MODIS NDVI数据，对最优反演模型进行了精度验证，结果表明模型能较好地反映MODIS植被指数和微波植被指数之间的关系。

被动微波数据时间分辨率高且不受天气状况的影响，是植被监测的重要手段。但其空间分辨率较低（25km），混合像元的问题比较严重，这一问题是当前研究的难点所在。因此，今后的研究应致力于如何有效结合多方面的资料，消除混合像元对微波数据的影响，从而更加准确地监测植被生长状况，获取更多的植被信息。

［1］孙红雨，王长耀，牛铮，等.中国地表植被覆盖变化及其与气候因子关系——基于NOAA时间序列数据集［J］.遥感学报，1998，2（3）：205-210.

［2］王建伟，陈功.草地植被指数及生物量的估测［J］.云南农业大学学报，2006，21（3）：372-375.

［3］李海亮，赵军.草地遥感估产的原理和方法［J］.草业科学，2009，26（3）：34-38.

［4］张凯，郭铌，王润元，等.甘南草地地上生物量的高光谱遥感估算研究［J］.草业科学，2009，26（11）：44-50.

［5］王莺，夏文韬，梁天刚，等.基于MODIS植被指数的甘南草地净初级生产力时空变化研究［J］.草业学报，2010，19（1）：201-210.

［6］田庆久，闵祥军.遥感植被指数研究进展［J］.地球科学进展，1998，13（4）：227-233.

［7］陈亮，杜金阳.L波段多角度微波植被指数研究［J］.理论研究，2010（3）：13-16.

［8］米兆荣，张耀生，赵新泉，等.NDVI和EVI在高寒草地牧草鲜质量估算和植被动态监测中的比较［J］.草业科学，2010，27（6）：13-19.

［9］毛克彪，唐华俊，周清波，等.AMSR-E微波极化指数与MODIS植被指数关系研究［J］.国土资源遥感，2007（1）：27-31.

［10］张钟军，孙国清，张立新，等.被动微波遥感中一种基于辐射传输理论的植被层模型［J］.北京师范大学学报（自然科学版），2003，39（5）：694-700.

［11］高峰，车涛，王介民，等.被动微波遥感指数极其应用［J］.遥感技术与应用，2005，20（6）：551-557.

［12］Paloscia S，Pampalonil P.Microwave vegetation indexes for detecting biomass and water conditions of agricultural crops［J］.Remote Sense of Environment，1992，40：15-26.

［13］Shi J C，Jackson T，Tao J，etal.Microwave vegetation indices for short vegetation covers from satellite passive microwave sensor AMSR-E［J］.Remote Sense of Environment，2008，112：4285-4300.

［14］吕京国，张小咏，蒋玲梅，等.微波穿透指数MVI与光学植被指数NDVI的关系探讨［J］.遥感应用，2009（6）：39-42.

［15］Choudhury B J.Relationship between vegetation indices，radiation absorption，and net photosynthesis evaluated by a sensitivity analysis［J］.Remote Sense of Environment，1987，22：209-223.

［16］Choudhury B J，Tucker C J.Monitoring global vegetation using Nimbus-7 37GHz data：Some empirical relations［J］.International Journal of Remote Sensing，1987，8（7）：1085-1090.

［17］Ulaby F T，Razani M，Dobson M C.Effects of vegetation cover on the micro-wave radiometric sensitivity to soil moisture［J］.IEEE Transations on Geoscience and Remote Sensing，1983，21：51-61.

［18］Jackson T J，Schmugge T J.Vegetation effects on the microwave emission from soils［J］.Remote Sense of Environment，1991，36：203-212.

［19］郝云晴，于明胜.青南牧区草地生态牧业建设的思考及对策［J］.青海畜牧兽医杂志，2002，32（4）：33-35.

［20］赵小娟.青南牧区生态畜牧业发展现状及对策［J］.青海畜牧兽医杂志，2008，38（5）：34-36.

［21］于惠，冯琦胜，张学通，等.基于AMSR-E信息的北疆牧区雪深遥感监测模型方法初探［J］.草业学报，2009，18（4）：210-216.

［22］Li L，Njoku E，Im E，etal.A Preliminary Survey of Radio-frequency Interference over the U.S.in Aqua AMSR-E Data［J］.IEEE Transactions on Geoscience and Remote Sensing，2004，42（2）：380-390.

Relationship between microwave vegetation index based on AMSR-E data and vegetation index based on MODIS data

CHEN Si-yu，YU Hui，FENG Qi-sheng，LV Zhi-bang，LIANG Tian-gang
（State Key Laboratory of Grassland Agro-ecosystems，College of Pastoral Agriculture Science and Technology，Lanzhou University，Lanzhou 730020，China）

Microwave Vegetation Indices（MVIs）in the pastoral area of the south of Qinghai Province were calculated by using AMSR-E brightness temperature data from 2007to 2010and its features of monthly MVI changes were discussed，and then the relationship between microwave vegetation index based on AMSR-E data and vegetation index based on MODIS data for same time series was determined in this study.This study showed that the MVI value reduced as the vegetation plant grew and the MVIs was strongly negative correlations with NDVI and EVI，in which the correlation between MVIs and NDVI was the best with the correlation coefficient of 0.58.The optimal model between MVIs and MODIS vegetation indices wasNDVI=-0.85×MVI+0.84，and the comparison result showed that the difference between MODIS NDVI and simulated NDVI from the optimal model was little.This study suggested that the optimal model reflected the relationship of the two vegetation indices.

Microwave Vegetation Index；MODIS vegetation index；correlation；simulating model

LIANG Tian-gang E-mail：tgliang＠lzu.edu.cn

TP79；Q94

A

1001-0629（2012）03-0377-07

2011-03-31 接受日期：2011-07-11

教育部高等学校科技创新工程重大项目培育资金项目（708089）；国家科技支撑计划项目（2009BAC53B01）；国家高技术研究发展专项（2007AA10Z232）

陈思宇（1987-），女，甘肃定西人，在读硕士生，研究方向为草地遥感与地理信息系统。E-mail：chensy＿10＠lzu.edu.cn

梁天刚 E-mail：tgliang＠lzu.edu.cn